Diplomado en Uplift Modeling y Toma de Decisiones Basada en Causalidad
Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Inferencia causal y resultados potenciales» a «Proyecto de uplift modeling», pasando por «Evaluación de modelos de uplift».
Mapa del programa · pulsa un módulo
Módulo 1 · Inferencia causal y resultados potenciales
800 hDuración total
8Módulos
80Submódulos
OnlineModalidad
Competencias y resultados
6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.
Inferencia causal y resultados potenciales
Saldrás manejando modelo de resultados potenciales de Neyman-Rubin, efectos ATE, ATT y CATE y supuestos SUTVA, ignorabilidad y positividad. Es lo que se trabaja en «Inferencia causal y resultados potenciales», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Diseño experimental para uplift
Saldrás manejando aleatorización simple, estratificada y por bloques, cálculo de tamaño muestral y potencia y grupos holdout y contaminación entre brazos. Es lo que se trabaja en «Diseño experimental para uplift», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Meta-learners de efectos heterogéneos
Saldrás manejando S-learner y sesgo por regularización, T-learner con modelos independientes y X-learner para tratamientos desbalanceados. Es lo que se trabaja en «Meta-learners de efectos heterogéneos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Evaluación de modelos de uplift
Saldrás manejando curvas de uplift y curvas Qini, coeficiente Qini y AUUC y gráficas de ganancia incremental por deciles. Es lo que se trabaja en «Evaluación de modelos de uplift», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Datos observacionales y robustez
Saldrás manejando emparejamiento por propensity score, ponderación por probabilidad inversa y estimador de diferencias en diferencias. Es lo que se trabaja en «Datos observacionales y robustez», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Políticas de tratamiento y negocio
Saldrás manejando asignación óptima bajo restricción presupuestaria, segmentos persuadibles, seguros, perdidos y contrarios y tratamientos múltiples con costes diferenciados. Es lo que se trabaja en «Políticas de tratamiento y negocio», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Objetivos de aprendizaje
01Formular problemas de decisión en términos de resultados potenciales y grafos causales.
02Diseñar experimentos aleatorizados con potencia y grupos de control adecuados.
03Estimar efectos heterogéneos mediante meta-learners y bosques causales.
04Evaluar modelos de uplift con curvas Qini, AUUC y valor de la política.
05Aplicar métodos cuasiexperimentales cuando no es posible aleatorizar.
06Optimizar la asignación de tratamientos bajo restricciones de presupuesto.
07Comunicar el impacto incremental con rigor y criterios éticos.
Plan de estudios
8 módulos, 80 submódulos, 800 h. Elige un módulo y ves su contenido completo.
1 de 8 módulos abiertos
Módulo 1 de 8 · 10 submódulos
Inferencia causal y resultados potenciales
1.1Modelo de resultados potenciales de Neyman-Rubin
1.2Efectos ATE, ATT y CATE
1.3Supuestos SUTVA, ignorabilidad y positividad
1.4Grafos acíclicos dirigidos y d-separación
1.5Criterio backdoor y ajuste por confusores
1.6Paradoja de Simpson y sesgo de selección
1.7Experimentos aleatorizados frente a datos observacionales
1.8Contrafactuales en la jerarquía de Pearl
1.9Identificabilidad y reglas del do-cálculo
1.10Taller: DAG de una campaña de retención con DAGitty
Módulo 2 de 8 · 10 submódulos
Diseño experimental para uplift
2.1Aleatorización simple, estratificada y por bloques
2.2Cálculo de tamaño muestral y potencia
2.3Grupos holdout y contaminación entre brazos
2.4Diseños A/B multivariantes y factoriales
2.5CUPED y reducción de varianza
2.6Interferencia y aleatorización por clústeres
2.7Pruebas secuenciales y parada temprana
2.8Preregistro y registro de experimentos
2.9Ética de la experimentación con clientes
2.10Práctica: test de cupones con grupo holdout
Módulo 3 de 8 · 10 submódulos
Meta-learners de efectos heterogéneos
3.1S-learner y sesgo por regularización
3.2T-learner con modelos independientes
3.3X-learner para tratamientos desbalanceados
3.4R-learner y ortogonalización de Robinson
3.5DR-learner doblemente robusto
3.6Elección del modelo base con gradient boosting
3.7Estimación de propensión y recorte de pesos
3.8Validación cruzada específica para CATE
3.9Comparativa de learners en datos sintéticos
3.10Laboratorio: meta-learners con CausalML sobre Hillstrom
Módulo 4 de 8 · 10 submódulos
Árboles y bosques causales
4.1Árboles de uplift con divergencia KL y chi cuadrado
4.2Causal trees honestos de Athey e Imbens
4.3Generalized random forests
4.4Intervalos de confianza para el CATE
4.5Importancia de variables en la heterogeneidad
4.6Double machine learning de Chernozhukov
4.7Estimadores ortogonales en EconML
4.8Transformación de clase de Jaskowski y Jaroszewicz
4.9Interpretación de efectos con valores SHAP
4.10Laboratorio: causal forest con EconML y grf
Módulo 5 de 8 · 10 submódulos
Evaluación de modelos de uplift
5.1Curvas de uplift y curvas Qini
5.2Coeficiente Qini y AUUC
5.3Gráficas de ganancia incremental por deciles
5.4Estabilidad fuera de muestra y temporal
5.5Métricas ponderadas por IPW con datos observacionales
5.6Valor de la política y evaluación off-policy
5.7Calibración de efectos estimados
5.8Errores frecuentes al evaluar uplift
5.9Comparación con modelos de propensión a respuesta
5.10Práctica: curvas Qini de una campaña de email
Módulo 6 de 8 · 10 submódulos
Datos observacionales y robustez
6.1Emparejamiento por propensity score
6.2Ponderación por probabilidad inversa
6.3Estimador de diferencias en diferencias
6.4Método de control sintético
6.5Variables instrumentales y LATE
6.6Diseños de regresión discontinua
6.7Análisis de sensibilidad y E-value
6.8Refutación de estimaciones con DoWhy
6.9Censura y datos faltantes en efectos
6.10Caso práctico: impacto de un programa de fidelización
Módulo 7 de 8 · 10 submódulos
Políticas de tratamiento y negocio
7.1Asignación óptima bajo restricción presupuestaria
7.2Segmentos persuadibles, seguros, perdidos y contrarios
7.3Tratamientos múltiples con costes diferenciados
7.4Bandits contextuales y Thompson sampling
7.5Aprendizaje de políticas con árboles de decisión
7.6Equidad y discriminación en la asignación
7.7Despliegue y monitorización del drift causal
7.8Retorno incremental y cálculo de ROI
7.9Comunicación de resultados a dirección
7.10Caso práctico: asignación de descuentos con ROI positivo
Módulo 8 de 8 · 10 submódulos
Proyecto de uplift modeling
8.1Definición de la acción y del resultado
8.2Preparación de datos y variable de tratamiento
8.3Estrategia experimental u observacional
8.4Entrenamiento y comparación de learners
8.5Evaluación Qini y valor de la política
8.6Análisis de sensibilidad de la estimación
8.7Plan de despliegue y seguimiento
8.8Recomendación de negocio cuantificada
8.9Memoria y presentación
8.10Revisión final con el tutor
¿Cuánto me va a llevar?
Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 800 h del programa.
—meses a ese ritmo
—semanas por módulo
—frente a los 800 horas · 6 a 8 meses previstos
¿Qué nivel tienes ya?
Cinco conceptos del propio temario. Marca lo que ya controlas y te decimos si te conviene el curso, el diplomado o el máster.
Modelo de resultados potenciales de Neyman-Rubin
Módulo 1 · Inferencia causal y resultados potenciales
Preregistro y registro de experimentos
Módulo 2 · Diseño experimental para uplift
DR-learner doblemente robusto
Módulo 3 · Meta-learners de efectos heterogéneos
Causal trees honestos de Athey e Imbens
Módulo 4 · Árboles y bosques causales
Comparación con modelos de propensión a respuesta
Módulo 5 · Evaluación de modelos de uplift
Marca los cinco conceptos y te damos tu resultado.
Este programa se imparte en el área de Data, IA, Simulación & Analytics, que dirige Dra. Lucía Hernández Vega. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.
Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 27-11-2026.
¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Data, IA, Simulación & Analytics?
¿Puedes mantener un ritmo de estudio constante durante 800 horas · 6 a 8 meses?
Responde las tres y te decimos por dónde seguir.
Requisitos de acceso
·Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria.
·Conexión a internet y un ordenador capaz de ejecutar el software del programa.
·Nivel de español suficiente para seguir lectura de normativa técnica.
Cómo se estudia
Formación 100 % online en el campus de SEIUM, con material descargable, clases grabadas y tutor técnico asignado. Sin horarios fijos: el alumno avanza a su ritmo dentro de la convocatoria, lo que permite compatibilizarlo con el trabajo.
Cada módulo combina teoría, lectura guiada de la norma original y ejercicios aplicados. El software de trabajo es CausalML, EconML, DoWhy, grf (R), scikit-uplift, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de campañas de retención con grupo de control holdout, asignación de cupones en comercio electrónico, evaluación de impacto con datos históricos de CRM. La evaluación es continua por módulo más el proyecto integrador final.
Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Inferencia causal y resultados potenciales» y cierra con «Proyecto de uplift modeling».
Se trabajan Reglamento (UE) 2016/679 (RGPD), Reglamento (UE) 2024/1689 de Inteligencia Artificial, Ley Orgánica 3/2018 (LOPDGDD), ISO/IEC 22989:2022, ISO/IEC 23053:2022 y ISO/IEC 25012:2008.
Los perfiles más directos son Científico de datos causal, Analista de marketing analytics, Responsable de experimentación, Ingeniero de machine learning y Consultor de pricing y promociones.
En un pago son 1.032 €, sobre una tarifa de 1.290 €. A plazos, una entrada de 516 € y 6 cuotas de 129 €, 1.290 € en total, sin intereses: lo mismo que la tarifa.
Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria, Conexión a internet y un ordenador capaz de ejecutar el software del programa y Nivel de español suficiente para seguir lectura de normativa técnica.
El programa son 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.
Se trabaja con CausalML, EconML, DoWhy, grf (R), scikit-uplift. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.
Diploma propio de SEIUM al superar la evaluación continua y el proyecto integrador. Es formación propia, no un título oficial del Ministerio.
Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.
Inicio de clases: 22 de diciembre de 20261.032 €Matricularme
Antes de decidir
¿Qué sacarías tú de este diplomado?
No es lo mismo llegar aquí recién titulado que con diez años en el sector. Dinos de dónde vienes.
Qué te aportaPasar de la teoría de carrera al criterio de proyecto: qué norma aplica a cada parte del trabajo, qué criterios de aceptación se fijan antes de ejecutar y cómo se deja todo documentado.
Dónde vas a sudarEl módulo de normativa y evidencia documental, si todavía no has trabajado dentro de un proyecto real con auditoría de por medio.
Con qué salesCon una memoria técnica propia, sobre un caso real, que puedes poner encima de la mesa en una entrevista.
Qué te aportaFormalizar lo que ya haces por oficio: distinguir requisito obligatorio de buena práctica, justificar por escrito las decisiones técnicas y dejar el trabajo trazable.
Dónde vas a sudarPoco en contenido. El esfuerzo real está en el proyecto final y en su defensa.
Con qué salesCon el diplomado acreditado y un proyecto hecho sobre un caso de tu propio trabajo.
Qué te aportaLa base técnica de Data, IA, Simulación & Analytics y el marco normativo del ámbito desde cero, sin dar por sabido el vocabulario del sector.
Dónde vas a sudarLas primeras semanas, por terminología. A partir del segundo módulo se nivela.
Con qué salesCon un perfil de entrada acreditado en Data, IA, Simulación & Analytics y un proyecto que demuestra que sabes aplicarlo.
¿Te va a dar la vida?
Calcula tu ritmo real
Son 800 horas. Mueve el control y mira cuánto tardarías tú de verdad.
—para terminar
¿Y esto para qué me sirve?
Marca lo que más te interesa
Elige hasta 3 módulos y te digo cuánto pesan en el programa y a qué perfiles prepara.
Perfiles a los que prepara
Científico de datos causal
Analista de marketing analytics
Responsable de experimentación
En comercio electrónico, banca y seguros y telecomunicaciones.
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Data, IA, Simulación & Analytics con criterio de norma, no solo de intuición.
Saber justificar por escrito por qué tomaste una decisión técnica.
Terminar con una memoria técnica tuya, sobre un caso real.
Avanzar a tu ritmo, compatible con una jornada completa.
No, si buscas…
Un título rápido sin entregar trabajo propio.
Clases en directo con horario fijo: el programa es asíncrono.
Empezar mañana: las clases empiezan justo un mes después de matricularte.
Formación de taller o práctica presencial con maquinaria.
¿Te queda una duda?
Pregunta algo concreto
Escríbela aquí y la pasamos al formulario de contacto con la formación ya identificada.